【摘要】：針對流程工業(yè)過程中有標(biāo)簽故障樣本少,樣本標(biāo)注代價昂貴,樣本集存在類不平衡以及樣本孤點(diǎn)問題,研究基于最優(yōu)次優(yōu)標(biāo)號(BvSB)和加權(quán)支持向量機(jī)(WSVM)的工業(yè)故障分類方法.通過綜合考慮樣本的信息度和代表性以及樣本中可能存在的孤立點(diǎn),提出改進(jìn)的主動學(xué)習(xí)算法,用于挖掘那些對當(dāng)前分類器模型最有價值的樣本進(jìn)行標(biāo)注.在支持向量機(jī)訓(xùn)練學(xué)習(xí)中,對不同樣本采用不同的權(quán)重系數(shù),不同類別賦予不同的懲罰因子,減少了樣本分布不平衡時對主動學(xué)習(xí)和分類精度的影響,充分考慮樣本點(diǎn)在特征空間的分布情況,提出新的懲罰系數(shù)選取方法.以TE過程為例,實(shí)驗(yàn)結(jié)果證明,提出的方法能夠在獲得較高故障分類準(zhǔn)確率的情況下減少標(biāo)注負(fù)擔(dān).
[Abstract]:In view of the problem that there are few labeled fault samples, the cost of sample labeling is expensive, the class imbalance exists in the sample set and the sample is isolated, an industrial fault classification method based on the optimal sub-optimal label (BvSB) and weighted support vector machine (WSVM) is studied. An improved active learning algorithm is proposed by considering the degree of information and representativeness of the samples and the possible outliers in the samples, which can be used to extract the most valuable samples from the current classifier model. In support vector machine training learning, different samples are given different weight coefficients, and different types are given different penalty factors, which reduces the influence on active learning and classification accuracy when the distribution of samples is unbalanced. Considering the distribution of sample points in the feature space, a new penalty coefficient selection method is proposed. Taking the TE process as an example, the experimental results show that the proposed method can reduce the tagging burden under the condition of higher fault classification accuracy.
【作者單位】： 浙江大學(xué)控制科學(xué)與工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61174114,U1509203) 教育部高校博士點(diǎn)專項(xiàng)科研基金資助項(xiàng)目(20120101130016) 浙江省公益性技術(shù)應(yīng)用研究計劃資助項(xiàng)目(2014C31019)
【分類號】：TP181;TP277

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳娟;范玉妹;王麗;;關(guān)于改進(jìn)的支持向量機(jī)的研究[J];攀枝花學(xué)院學(xué)報;2006年05期

2 劉碩明;劉佳;楊海濱;;一種新的多類支持向量機(jī)算法[J];計算機(jī)應(yīng)用;2008年S2期

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機(jī)的研究進(jìn)展[J];計算機(jī)工程與應(yīng)用;2012年12期

4 王云英;閻滿富;;C-支持向量機(jī)及其改進(jìn)[J];唐山師范學(xué)院學(xué)報;2012年05期

5 李逢煥;;試述不確定支持向量機(jī)應(yīng)用分析及改進(jìn)思路[J];中國證券期貨;2012年12期

6 邵惠鶴;支持向量機(jī)理論及其應(yīng)用[J];自動化博覽;2003年S1期

7 曾嶸,蔣新華,劉建成;基于支持向量機(jī)的異常值檢測的兩種方法[J];信息技術(shù);2004年05期

8 張凡,賀蘇寧;模糊判決支持向量機(jī)在自動語種辨識中的研究[J];計算機(jī)工程與應(yīng)用;2004年21期

9 魏玲,張文修;基于支持向量機(jī)集成的分類[J];計算機(jī)工程;2004年13期

10 沈翠華,鄧乃揚(yáng),肖瑞彥;基于支持向量機(jī)的個人信用評估[J];計算機(jī)工程與應(yīng)用;2004年23期

相關(guān)會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險評估模型[A];第六屆（2011）中國管理學(xué)年會——商務(wù)智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計算機(jī)學(xué)會2005年信息技術(shù)與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國第19屆計算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識方法研究及應(yīng)用[A];中國力學(xué)大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測膜蛋白類型[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國第十五屆計算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國控制與決策學(xué)術(shù)年會論文集[C];2006年

10 侯澍e，

本文編號：2252607